大家好，欢迎收看本期节目。今天我们要评测的是美团（Meituan）发布的 LongCat 2.0，这是一个拥有1.6万亿总参数的巨型开源权重模型。团队看到 DeepSeek 的成功后，试图挑战其地位。虽然原计划发布完整权重版本，但仓库随后被下架，目前仅发布了8位量化版。该版本需要超过2TB内存才能运行；若使用4位量化，则需1TB内存。鉴于本地运行的硬件门槛极高，我暂不打算在本地部署完整模型，而是先测试其云端表现。如果效果出色，再考虑后续跟进。

从基准测试结果来看，LongCat 2.0的表现相当亮眼。他们将其与 Gemini 3.1 Pro、旧版及新版 Opus 进行了对比，结果显示其性能优于 Gemini，略高于 Opus 4.6，但低于 4.7。不过，他们尚未与目前公认最强的 Kimiko 2.7s 和 GLM 5.2 进行直接对比。LongCat 团队在架构上颇有建树，例如采用了独特的 N-gram 嵌入技术。此前发布的 LongCat Flash 等模型也证明了其实力，因此我们期待这次能带来惊喜。

为了验证该模型的代码生成能力，我首先测试了“3D平台游戏”这一提示词。我将使用其云端免费服务进行完整版本测试，并将结果与本地生成的最佳作品（由 GLM 5.2、Kimiko 2.7 等模型生成）以及 Claude 系列进行对比。在最大思考模式下，模型首次生成了代码但出现错误。我将报错信息反馈后，它输出了大量令牌进行修正。最终生成的游戏包含类似超级玛丽的角色和敌人，但按键方向似乎反了（A右D左）。

尽管存在一些小瑕疵，如缺乏明确的通关旗帜导致游戏略显无目的性，但整体视觉效果精美。与 Gemini 生成的糟糕结果相比，LongCat 的表现明显更好，甚至可能优于之前未开启思考模式的 Opus。相比之下，本地运行的 GLM 5.2（4.8位量化）在单台 Mac Studio上耗时约1小时08分钟生成代码，但质量极佳：角色形象逼真、可收集金币、有跳跃机制且敌人具备攻击性。我认为本地生成的版本甚至优于之前通过 OpenCode 运行的 Claude Opus，尽管速度较慢。

接下来测试“ photorealistic real-time render of human face”（超写实实时人脸渲染）。模型思考过程较短，主要侧重于代码编写。首次生成再次出现变量定义错误（aspect 未在使用前定义），反馈报错后它仅修改了一行代码，但修正并不完全正确。最终生成的界面虽然具备肤色、年龄调节和表情变化等功能选项，但实际渲染效果极差，几乎完全损坏。这可能是云端接口未运行完整版本或温度设置过高导致代码质量下降所致。

作为对比，本地生成的最佳作品来自 Kimiko 2.7（4.2位量化），通过集群连接 Mac Studio和 MacBook Pro运行。仅用15 tokens/秒的速度生成了7,500个令牌，但质量惊人：角色拥有皱眉表情、眨眼动画，甚至头部后方还带有类似埃隆·马斯克脑机接口的5G信号接收装置。这绝对是我见过最优秀的人脸生成之一，完胜 Gemini 2.7。看来 LongCat 在代码编写方面可能并非最佳选择，尽管基准测试显示其优于 Gemini。或许在其他类型的开源复制项目中会有不同表现，毕竟代码风格非常冗长且多变。

提示词之后，它可能会直接搞定。不过，让我们直接进入正题，我要进行我这里准备的真正AGI测试了。这是关于通用智能的测试。首先我会先在你身上试试，好吗？这是个小小的测验：如果你像“白昼”一样升起，并且无所畏惧地升起，你会持续升起多少天？好好想想。答案是什么？可能是什么？放下笔吧。答案是“一千”。

这个答案是有争议的，但我们会看看结果如何，我会告诉你为什么是一千天。它思考了一下，实际上答对了。这是安德拉·戴（Andra Day）歌曲《Rise Up》中的歌词：“我会升起”。去听听这首歌吧，非常好听。它用英语思考了，但时间不长，稍微短了一点。所以它大概知道怎么回事。

它最初用非英语回答了。我要求它用英语回答，它说：“只要需要多久就多久。”这也有争议。“只要需要多久”可能也是正确答案。但我仍然坚持是一千天。告诉我你的答案是什么，以及为什么。我稍后会解释为什么是一千天。我们将让GLM 5.2在“笼子”里以最大思考模式运行，加上所有那些功能。GLM 5.2也认为是“每一次”。

所以这里达成了共识：5.2和LongCat都得出了正确答案。然而，GLM 4.7说：“是一千次。”我喜欢GLM 4.7的一点是，它提供了引用。这是来自一首歌的歌词，歌词是：“我会再这样做一千次。”所以这就是我选择“一千天”的来源，对吧？GLM 4.7也是这么选的。我认为这才是正确答案。告诉我你们的看法。

接下来是DeepSeek，开启思考模式。它想了7秒，然后“砰”地一下搞定了。说是一千天或一千次再次。所以它知道正确答案。GLM 4.7（旧版本）和DeepSeek都搞定了。然后是Claude，Sonic开启思考模式。

现在，Sonic真的很棒。在上一个视频中做这个测试时，我比较了Sonic 5和Opus。Sonic 5的表现基本上和Opus一样好，这值得注意。它知道是《Rise Up》，但对答案有点困惑。它说“一次又一次，只要需要多久”。如果我们看歌词，“over and over”（一遍又遍）是它编造的。没有引用“over and over”这个词，所以它是幻觉了。

Sonic在上个视频里……还有5美元的额度。我在那时测试了一些提示词，每个模型做了大约三个提示词。最后5美元就花光了。所以这些模型运行起来非常昂贵，而且它甚至没答对正确答案。但我看到人们似乎很喜欢它，这很好。

Kimi K2.6思考模式知道是《Under the Boom》？搞定了。它说：“只要太阳允许，再多一天。”我不知道它是从哪得来的。它说是“one more”（多一次）吗？说太阳了吗？它就是幻觉了。哦，它给了一点创造力。也许系统提示词里有什么赋予它创造力的东西。

我认为那一轮的赢家是GLM 5、GLM 4.7和DeepSeek。它们肯定赢了。让我们看看本地运行时表现如何。GLM 5.2说“所有”。这不对，那是不对的。所以赢家是DeepSeek和GLM 4.7。

但我们要让这个AGI测试更像真正的AGI。这很可能是一个我认为目前没有任何模型能通过的测试。它们是用文本数据训练的，并没有真正进行多模态训练。很多人说需要多模态训练才能确切了解到底发生了什么。所以我认为这个测试不会答对。

这是与此非常相似的提示词：如果你像“白昼”一样升起，并且无所畏惧地升起，你如何发音每个词？如果你没听过这首歌，去听听吧，因为我不确定能不能放给你听。我会放的，但可能会屏蔽掉一些内容。如果你听了，是“each other”（彼此），不是别的发音。我们是彼此的依靠。

它们开始处理，它以为是《Defying Gravity》（反抗地心引力）。它思考了，我不知道它是如何选了另一首歌的。尽管提示词非常相似，它成功找到了正确的歌曲《Rise Up》，但它跑偏了，进入了《Wicked》（女巫）的世界。它有点迷失方向了。现在我不知道它在告诉我关于女巫、善良和邪恶的什么。它并没有真正告诉我要如何发音“each other”。所以，这彻底失败了。

GLM 5.2知道《Rise Up》和“unafraid”（无畏），然后开始只是告诉我如何从音韵上发音单词。比如，“other”听起来像“other”。如果你升起，看，听，它非常优美。所以它的发音很漂亮，但没有正确回答问题，因为它是基于文本训练的。它不知道，或者文本没有描述唱歌时实际是如何发音的。所以失败，任务未完成。

轮到DeepSeek了。之前它用“一千天”的引用搞定了这个。Boom shakalaka（轰隆声效）。它脑子里在想什么？现在，它思考了32到34秒。要想出这个答案需要很多思考。然后它说，它的发音方式就是你脑海中已经发出的那种声音。所以答案很简单：就像你刚才做的那样。

这可能是正确答案，因为那确实是我发音的方式。我发的是“each other”。但这实际上不是正确答案，因为它以为这是个笑话，并不真实。但它并不知道这一点。任务失败。回答得很好，但任务失败了。

Claude最大思考模式在这个问题上想了2分半钟。它非常困惑，像是说：“发生什么事了？是拼写错误吗？世界上发生了什么？”它知道仍然是100天，所以没有改变。它没有进入《Wicked》和Young Glass Mother的世界。但它发音说：“risen and unafraid，我为你两个升起像白昼无畏地在一起。”

我不知道它在说什么。我需要Claude来理解Claude，但是的，那不是正确答案。Kimi K2.6思考模式也经过思考后说“each other”。所以那也不是正确答案。任务失败。

让我们看看本地表现如何。它把“each other”发音错了，说成了别的音。当思考模式设为高时，它说是“rise up like the day points to the sun”（像白昼升起指向太阳），“Rise up unafraid points to the brave sun”（无畏升起指向勇敢的太阳）。实际上“sun”的发音是一样的。“each other”还是错的。

思考模式设为最大时，它给出了几乎完全相同的答案。4000个token，每秒15个token。所以实际上没有人……

这次测试答对了，所以让我们看看这些模型未来是否会改进。关键在于它们如何发音，或者说“吐字”是否准确。或者，它们是否需要开始投喂多模态数据？又或者，实际上是因为你只拿到了字幕文本，却不知道这些字幕原本的发音方式。因此，他们可以将这些信息纳入训练数据中，也许这样情况会变得更好（GI），或者变得更糟（GL）。

最后但同样重要的是终极测试。这个题目其实很普通，任何英国人都应该知道答案：“如果你真的喜欢它并且觉得它很棒（wicked），你在哪里？” 回答是“艾亚纳帕”（Ayia Napa）。我查了维基百科，有一个专门的条目写着“Iron Maiden”。大家都知道这是那首歌。如果你没听过可以去听听看。LongCat 2.0 却说是 Beastie Boys，甚至没有回答我在哪里，只给出了完整歌词。这算是失败，任务未达成。

GLM 5.2 认为我在美国新英格兰的波士顿。为什么这么想？美国人请告诉我原因。它没猜出是 Iron Maiden。DeepSeek 认为这是个短剧，虽然提到了英国，离正确答案更近一些。它猜是 The Prodigy 的舞池场景。从技术上讲，如果在 Iron Maiden 现场，你确实可能在跳舞。所以 DeepSeek 在逻辑推理上表现不错，尤其是在最大思考模式下。

Sonnet 花了23秒思考后认为我在波士顿，显得非常困惑。Kimi K2.7 也认为是新英格兰的波士顿。它们全都答错了，正确答案更接近 Iron Maiden 这首歌。本地运行 GLM 5.2 在高思考模式下会列出所有可能的歌词，它甚至以为是 Cardi B。最大思考模式也陷入循环，虽然可能快猜出来了但迷失了方向。GLM 5.2 你能承受住压力，但没有一个模型答对这些问题。

目前看来 AGI（通用人工智能）尚未到来，但情况可能会改变。我想听听大家对 LongCat 2.0 的看法。注意它的许可证是 MIT，这是一种非常开放的权重许可协议，而且模型规模仍然很小。虽然它目前可能没打败 GLM 和 Kimi K2.7，且输出略显冗长，但他们从未放弃发布小型移动版。从这次迭代中学到的经验，可能会让后续版本更大、更强、更快。也许这个版本不是最佳选择，但下一个版本值得期待。

他们依然有一些很棒的创新点，MIT 许可证非常友好，而且很快会发布 Flash（快速）版本。希望这个视频对大家有用并带来乐趣。